[发明专利]基于混合算法的多目标双柔性作业车间调度方法及系统

说明书

本发明提供一种基于混合算法的多目标双柔性作业车间调度方法及系统，涉及双柔性作业车间调度技术领域。本发明以最大完工时间和线边库存时间的组合加权函数作为目标函数构建多目标双柔性作业车间调度模型时，考虑包括加工时间约束和准备时间约束等多种约束条件，且选择两种不同的学习效应模型对加工时间约束和准备时间约束这两种约束分别进行处理，并对模型进行优化；最后利用混合算法求解优化后的模型以获得模型的最优解，并根据最优解绘制多目标双柔性作业车间调度的甘特图，从而实现调度。本发明的技术方案更加贴近真实的车间生产情况，其调度结果更加合理、准确。

技术领域

本发明涉及双柔性作业车间调度技术领域，具体涉及一种基于混合算法的多目标双柔性作业车间调度方法及系统。

背景技术

双柔性作业车间调度问题(Dual Flexible Job-Shop Scheduling Problem，DFJSP)是指在传统的柔性作业车间调度问题(Flexible Job-Shop Scheduling Problem，FJSP)只考虑加工设备的柔性基础上，考虑了带资源约束的运输时间这一单辅助时间后，由于运输机器的性能差异，使得工件在不同的运输机器上运输时所消耗的运输时间不尽相同，工件需要选择合适的运输机器和确定在运输机器上的运输顺序称之为双柔性作业车间调度问题。DFJSP的研究是企业生产实现高效率、高质量、高柔性、低成本的关键，也是该领域亟需解决的问题。

在双柔性作业车间中，加工操作和准备操作非常常见的，但是在以往研究中，学者会默认将准备操作时间视作加工时间内，以忽略准备时间对于双柔性作业的影响；同时，在加工操作过程中，默认不同阶段的加工时间是完全相同的。另外，现有针对DFJSP的求解一般利用单一的智能算法进行求解。

然而，在实际生产中，一方面，加工操作和准备操作都是人机协同的工作模式，因此这两种工作场景都具有学习效应，现有技术在未考虑这种学习效应的前提下对双柔性作业车间进行调度，其调度结果必然是不精准、不贴合真实情况的；另一方面，当考虑多种约束条件时，利用现有单一智能算法求解目标函数的全局最优解时，会存在解的质量不高，解的搜索速度慢等多种不足。综上所述，现有的多目标双柔性作业车间调度方法无法准确、高效的获得调度结果，无法为企业的实际生产提供有效参考。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于混合算法的多目标双柔性作业车间调度方法及系统，解决了现有双柔性作业车间调度方法存在调度结果获取不精准且低效的问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

第一方面，本发明首先提出了一种基于混合算法的多目标双柔性作业车间调度方法，所述方法包括：

构建多目标双柔性作业车间调度模型；所述多目标双柔性作业车间调度模型包括目标函数和约束条件；所述目标函数为最大完工时间和线边库存时间的组合加权函数；所述约束条件包括加工时间约束和准备时间约束；

基于考虑工件位置相关和考虑工件相似度的学习效应模型求解所述加工时间约束获取求解后的加工时间约束；基于连续指数递增学习效应模型求解所述准备时间约束获取求解后的准备时间约束；基于求解后的加工时间约束和求解后的准备时间约束优化多目标双柔性作业车间调度模型；

基于混合算法求解优化后的所述多目标双柔性作业车间调度模型以获取模型的最优解，并基于所述最优解绘制多目标双柔性作业车间调度的甘特图；所述混合算法为多种群遗传算法和模拟退火算法的组合混合算法；其中，所述模拟退火算法用于求解产生多种群遗传算法的初始种群。

优选的，所述组合加权函数包括：

minZ＝ω₁C^max+ω₂C^edge